Uji Akurasi Produk Reflektan-Permukaan Landsat Menggunakan

Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Uji Akurasi Produk Reflektan-Permukaan Landsat
Menggunakan Data In situ di Danau Kasumigaura, Jepang
Lalu Muhamad Jaelani1, Fajar Setiawan2, Bunkei Matsushita3
Abstrak − Estimasi parameter kualitas air (seperti: konsentrasi klorofil-a, konsentrasi TSS
dan koefisien absorpsi CDOM) dari data satelit penginderaan jauh umumnya tergantung
pada keakuratan koreksi atmosfer dan model yang menghubungkan antara data reflektan
penginderaan jauh dengan parameter kualitas air yang akan diekstrak. Di danau dengan air
yang keruh (Turbid water, Case II), masalah utama yang dihadapi para peneliti adalah
koreksi atmosfer yang sulit. Penelitian pada bidang ini banyak dilakukan terutama
menggunakan sensor satelit yang khusus didesain untuk pengamatan perairan, seperti
MERIS, MODIS, AVHRR dll. Berbeda dengan beberapa sensor di atas, koreksi atmosfer
untuk sensor yang diperuntukkan untuk keperluan di darat seperti Landsat sangat jarang di
lakukan. Untuk itu, pada penelitian ini kami menguji akurasi dari produk reflektanpermukaan (surface reflectance, Bottom of Atmosphere reflectance) Landsat yang telah
bebas dari kesalahan atmosfer, yang dikeluarkan oleh USGS menggunakan data spektra
yang direkam di Danau Kasumigaura, Jepang. Sebagai perbandingan, data tersebut juga
dibandingkan dengan data Landsat yang dikoreksi dari efek atmosfer menggunakan
parameter koreksi dari hasil simulasi menggunakan Second Simulation of a Satellite Signal
in the Solar Spectrum - Vector (6SV). Produk reflektan-permukaan Landsat memberikan
hasil lebih rendah dibandingan dengan data in situ untuk ke delapan stasiun pengamatan
dengan RMSE 0,03 dan NMAE sebesar 59,70 %. Hasil ini tidak berbeda jauh dari
reflektan-permukaan yang diproses dengan 6SV dengan RMSE dan NMAE sebesar 0,03
dan 64,13%.
Kata kunci: air danau; penginderaan jauh, Landsat, koreksi atmosfer, 6SV
PENDAHULUAN
Danau memegang peran penting dalam penyediaan air bersih yang berguna sebagai bahan dasar air minum,
pertanian, industri, rekreasi dan pariwisata (Giardino, et al. 2001). Akan tetapi, proses eutrofikasi yang cepat
yang terjadi di danau kini telah menjadi masalah besar di seluruh dunia (Ayres, et al. 1996). Oleh karena itu,
pemantauan kualitas air danau secara rutin menjadi kebutuhan mendesak dalam pengelolaan sumber daya air
dalam rangka mendukung pengelolaan ekosistem perairan darat yang berkelanjutan. Heterogenitas kondisi
perairan danau, baik secara spasial dan temporal memerlukan teknologi penginderaan jauh sebagai pendukung
teknik pengambilan sampling secara konvensional untuk pemantuan kualitas air secara rutin (Liu, Islam dan Gao
2003).
Salah satu aplikasi penginderaan jauh (dalam bidang perairan) yang sangat penting adalah estimasi konsentrasi
klorofil-a, yang merupakan parameter kunci dalam pengujian kualitas air (Zhu, et al. 2012). Estimasi parameter
kualitas air (seperti: konsentrasi klorofil-a, konsentrasi TSS dan koefisien absorpsi CDOM) dari data satelit
penginderaan jauh umumnya tergantung pada keakuratan koreksi atmosfer dan model yang menghubungkan
antara data reflektan penginderaan jauh dengan parameter kualitas air yang akan diekstrak (Ruddick, Ovidio dan
Rijkeboer 2000, Sathyendranath, Prieur dan & Morel 1987, Yang, et al. 2011).
Tujuan utama dari koreksi atmosfer adalah mengkonversi data reflektan-sensor (at sensor reflectance, Top of
Atmosphere reflectance) menjadi reflektan-permukaan (surface reflectance, Bottom of Atmosphere reflectance)
menggunakan skema dasar algoritma koreksi atmosfer (Gordon dan & Wang 1994), sebagai berikut:
(1)
dimana ρtoa(λ) adalah reflektan yang direkam oleh sensor satelit (reflectance at sensor), ρr(λ) adalah reflektan
dari Rayleigh scattering, [ρa(λ)+ ρra(λ)] adalah reflektan total dari aerosol scattering dan interaksi antara
1
Jurusan Teknik Geomatika, Insitut Teknologi Sepuluh Nopember, Surabaya 60111, Indonesia. Email:
[email protected]
2
Pusat Penelitian Limnologi, Lembaga Ilmu Pengetahuan Indonesia, Cibinong, Bogor 16911
3
Graduate School of Life and Environmental Sciences, University of Tsukuba, Tsukuba, Ibaraki 305-8572, Japan
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Rayleigh scattering dan aerosol scattering, t(λ) adalah diffuse transmittances of the atmospheric column, dan
ρw(λ) adalah water-leaving reflectance (surface reflectance, Bottom of Atmosphere reflectance). Di danau
dengan kondisi air yang keruh (turbid water, Case II), masalah utama yang dihadapi para peneliti adalah koreksi
atmosfer yang sulit (Jaelani, et al. 2013). Penelitian pada bidang ini telah banyak dilakukan terutama
menggunakan sensor satelit yang khusus didesain untuk pengamatan perairan (baik perairan darat maupun laut),
seperti MERIS, MODIS, AVHRR dll. Berbeda dengan beberapa sensor di atas, koreksi atmosfer untuk sensor
yang diperuntukkan untuk keperluan di darat seperti Landsat sangat jarang dilakukan.
Oleh karena itu, tujuan dari penelitian ini adalah untuk menguji akurasi produk reflektan-permukaan Landsat
TM-5 yang dikeluarkan oleh USGS dengan menggunakan data reflektan (dalam hal ini, remote-sensing
reflectance) yang direkam di Danau Kasumigaura, Jepang pada delapan stasiun pengamatan. Sebagai
perbandingan, data tersebut juga kami bandingkan dengan data Landsat yang dikoreksi dari efek atmosfer
menggunakan parameter koreksi dari hasil simulasi menggunakan Second Simulation of a Satellite Signal in the
Solar Spectrum - Vector (6SV) dengan data masukan dari parameter cuaca.
METODOLOGI
Pengumpulan Data In Situ
Data in situ diambil di Danau Kasumigaura, Jepang (36o 9’ U; 140o 14’ T) yang terletak di dataran Kanto bagian
timur. Danau ini memiliki luas sekitar of 171 km2 (khusus danau bagian barat) dengan kedalaman air rata-rata
4,0 m dan kedalaman maksimum mencapai 7,3 m. Danau Kasumigaura merupakan danau terbesar kedua di
Jepang, setelah Danau Biwa. Tingginya nutrisi yang masuk ke dalam danau ditambah adanya pengadukan air
(resuspension), menyebabkan danau ini masuk kriteria danau eutropik keruh (eutrophic-turbid) (Matsushita
2009). Diskripsi statistik dari parameter kualitas air, dirangkum dalam Tabel 1. Data tersebut menunjukkan
bahwa Danau Kasumigaura termasuk ke dalam kelompok danau yang sangat keruh.
Tabel 1. Parameter kualitas air
Data diambil di Danau Kasumigaura, pada tanggal 18 Februari 2006, tepat bersamaan dengan waktu perekaman
citra satelit Landsat. Lokasi stasiun pengamatan yang berada dekat dengan pinggir danau (kurang dari satu
piksel) dan atau ditutupi oleh awan tidak dimasukkan dalam analisis. Ada delapan buah data in situ yang
digunakan dalam penelitian ini dengan sebaran sebagaimana terlihat di Gambar 1.
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Gambar 1: Distribusi spasial delapan stasiun pengamatan
Pengukuran reflektan dilakukan pada dalam rentang waktu jam 10:00 sampai 14:00 di atas air yang secara optis
dalam. Adapun parameter yang direkam pada setiap stasiun diantaranya adalah water-leaving radiance (Lu(λ)),
downward irradiance (Ed(λ)), dan downward radiance of skylight (Lsky(λ)) menggunakan FieldSpec HandHeld
spectroradiometer (Analytical Spectral Devices, Boulder, CO) pada rentang 325–1075 nm dengan interval 1nm. Selanjutnya, above-water remote sensing reflectance (Rrs(λ) dihitung menggunakan rumus berikut (Mobley
1999):
(2)
dimana Cal(λ) merupakan reflektan spektral dari grey reference panel yang telah terkalibrasi secara akurat, and
r merupakan faktor koreksi reflektan yang ditentukan berdasarkan kecepatan angin (Mobley 1999).
Citra Landsat
Sesuai dengan ketersediaan data reflektan in situ yang telah dikumpulkan di Danau Kasumigaura pada tanggal
18 Februari 2006, data citra Landsat yang digunakan dalam penelitian ini adalah Landsat TM-5. Informasi kanal
Landsat TM-5 disajikan pada Tabel 2. Data citra tersebut direkam pada hari yang sama dengan tanggal
pengumpulan data lapangan.
Tabel 2. Informasi kanal Landsat TM-5
Secara umum, ada dua produk yang digunakan, yang pertama adalah data Landsat TM-5 Level 1 berupa data
mentah dalam format digital number (DN) dan yang kedua adalah data reflektan-permukaan (surface
reflectance) yang telah terkoreksi efek atmosfer. Data kedua diolah oleh USGS dengan menggunakan perangkat
lunak Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS), yang secara khusus dibuat oleh
National Aeronautics and Space Administration (NASA). Perangkat lunak LEDAPS ini melakukan koreksi
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
atmosfer dengan menggunakan data masukan dari data Moderate Resolution Imaging Spectroradiometer
(MODIS) berupa Water vapor, ozone, geopotential height, aerosol dan optical thickness yang selanjutnya
diproses dengan perangkat lunak radiative transfer models: Second Simulation of a Satellite Signal in the Solar
Spectrum-Vector
(6SV)
untuk
memproduksi
data
reflektan-permukaan
Landsat
(http://landsat.usgs.gov/CDR_LSR.php). Data Landsat TM-5 Level 1 dan reflektan-permukaan tersedia secara
gratis dan dapat dipesan melalui http://earthexplorer.usgs.gov/ dan http://espa.cr.usgs.gov/
Pemrosesan Data
Dalam penelitian ini, data spektral yang direkam di Danau Kasumigaura disampling mengikuti kanal yang
tersedia di Landsat 5. Untuk keperluan pengujian produk reflektan-permukaan, kanal yang digunakan adalah
kanal 1-5 dan kanal 7.
Data Landsat yang digunakan adalah data yang direkam pada tanggal 18 Februari 2006, yang disesuaikan
dengan waktu pengumpulan data spektral di lapangan. Dalam penelitian ini, digunakan dua produk yang berbeda
(Landsat TM-5 Level 1 dan reflektan-permukaan Landsat). Pemrosesan untuk masing-masing produk dilakukan
untuk menghasilkan data reflektan-permukaan dalam format remote-sensing reflectance (Rrs(λ)):
Data Landsat 5 level 1 berupa data mentah dalam format digital number (DN) yang selanjutnya dikalibrasi
radiometrik menggunakan parameter gain dan offset yang tersedia di metadata untuk menghasilkan data dalam
format radian (L):
Lλ = ML Qcal + AL
(3)
2
Dimana, Lλ merupakan radian sensor (dalam Watts/( m * srad * μm)), ML adalah gain (di metadata tertulis
RADIANCE_MULT_BAND_x,
dimana
x
adalah
nomor
kanal),
AL
adalah
offset
(RADIANCE_ADD_BAND_x, dimana x adalah nomor kanal) dan Qcal adalah digital number (DN).
Data dalam format radian, selanjutnya akan koreksi dari efek atmosfer menggunakan parameter koreksi dari
hasil simulasi menggunakan Second Simulation of a Satellite Signal in the Solar Spectrum - Vector (6SV)
(Vermote, et al. 1997). Selanjutnya reflektan terkoreksi atmosfer bisa diturunkan dari radian-sensor
menggunakan persamaan:
acrλ=yλ/(1.+xcλ*yλ)
(4)
yλ=xaλ*( Lλ)-xbλ;
(5)
Dimana, acrλ adalah reflektan terkoreksi dari efek atmosfer, L λ adalah radian. Parameter koreksi diperoleh
dengan menjalankan perangkat lunak 6SV berbasis web yang ada di http://6s.ltdri.org/. Untuk mendifinisikan
konsentrasi dari aerosol, digunakan parameter meteorologi berupa horizontal visibility (pada citra ini, digunakan
visibility = 35 km) yang dapat dimasukkan secara langsung dalam 6SV. Tebal optis aerosol (aerosol optical
thickness) pada 550 nm selanjutnya dihitung berdasarkan profil aerosol daerah mid-latitude winter (maritime
model). Ketiga parameter koreksi untuk 6 kanal Landsat 5, disajikan pada Tabel 3. Hasil dari koreksi atmosfer
dengan metode 6S ini selanjutnya disebut SR-6SV.
Tabel 3: Parameter Koreksi Atmosfer dari 6SV
Data
reflektan-permukaan
(surface
reflectance)
yang
telah
terkoreksi
efek
atmosfer
(http://landsat.usgs.gov/CDR_ECV.php), selanjutnya disebut SR-L. Data SR-L ini diproses oleh USGS.
Reflektan terkoreksi dari efek atmosfer, baik SR-6SV maupun SR-L selanjutnya dibagi dengan π untuk
menghasilkan Rrs(λ) (dalam satuan sr-1) agar memiliki satuan yang sama dengan reflektan in situ yang direkam
dengan field spectroradiometer. Data dari 8 stasiun diekstrak berdasarkan pin yang telah dibuat dalam ukuran
5x5 pixel untuk menghindari kemungkinan kesalahan akibat koreksi geometrik dan dinamika dari badan air,
serta kesalahan akibat variabilitas spasial (Han dan Jordan. 2005). Semua pemrosesan citra dalam penelitian ini
dilakukan dengan menggunakan perangkat lunak open-source BEAM-VISAT (http://www.brockmannconsult.de/beam/)
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Pengujian Akurasi
Untuk menguji akurasi dari produk reflektan-permukaan Landsat, dua indeks diantaranya, root mean square
error (RMSE) dan normalized mean absolute error (NMAE) digunakan. Kedua indeks tersebut dihitung
mengikuti rumus berikut:
(6)
(7)
dimana xmeas,i dan xesti,i adalah nilai ukuran dan estimasi. N adalah jumlah data yang digunakan untuk validasi.
Selain kedua indeks di atas, determination coefficient (R2) antara data ukuran (in situ-measured) dan estimasi
Rrs(λ) dari produk reflektan-permukaan Landsat termasuk Landsat terkoreksi secara atmosfer (atmospherically
corrected Landsat) dengan 6SV juga digunakan untuk melihat korelasi antar data ukuran dan estimasi dari citra.
HASIL DAN PEMBAHASAN
Gambar 2 menampilkan perbandingan reflektan-permukaan keluaran USGS (SR-L) dan reflektan-permukaan
yang diolah sendiri dengan perangkat lunak simulasi 6SV (SR-6SV) dengan reflektan-permukaan yang direkam
di Danau Kasumigaura, Jepang pada delapan stasiun pengamatan. Kedua produk reflektan-permukaan, baik SRL maupun SR-6SV, menghasilkan data di bawah data in-situ dengan bentuk spektral yang juga berbeda.
Gambar 2. Perbandingan reflektan (Rrs(λ)) data in situ , reflektan-permukaan produk USGS (SR-L) dan
reflektan-permukaan yang diolah sendiri menggunakan perangkat simulasi 6SV untuk ke delapan stasiun
pengamatan (SR-6SV)
Melihat data visibilitas horizontal pada saat pengukuran di lapangan sebesar 35 km, yang artinya kondisi
atmosfer di atas Danau Kasumigaura sangat jernih (clear), maka kontribusi dari aerosol scattering pada data
yang direkam oleh sensor adalah kecil. Efek atmosfer pada kondisi tersebut sebagian besar berasal dari Rayleigh
scattering (Jaelani, et al. 2013). Namun, data pada Gambar 2, di mana SR-L dan SR-V menghasilkan data yang
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
sangat rendah dibandingkan dengan data in situ, berarti SR-L dan SR-V mengalami over-koreksi terhadap
kontribusi aerosol.
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Tabel 4. R2, RMSE dan NMAE; SR-L dan SR-6SV masing-masing adalah reflektan permukaan produk USGS dan reflektan
permukaan yang dikoreksi sendiri dengan 6SV
Tabel 4, yang berisi hasil uji statistik sederhana SR-L dan SR-6SV terhadap data in situ, memperlihatkan
korelasi antar data yang sangat besar (0,95 -1.0) untuk masing- masing stasiun, sementara 0,78 dan 0,79 untuk
SR-L dan SR-6SV jika semua stasiun digabung menjadi satu. Korelasi R2 yang kuat antar data yang diekstrak
dari data satelit dengan data in situ ini, tidak sejalan dengan nilai RMSE dan NMAE. Untuk semua stasiun,
RMSE untuk SR-L dan SR-SV sebesar 0,03 sr-1; sementara NMAE sebesar 59,7 % dan 64,13%. Nilai NMAE ini
masih dibawah syarat minimum NMAE 30% agar bisa digunakan untuk mengkestrak data kualitas air dari data
penginderaan jauh.
KESIMPULAN
Syarat utama dalam estimasi parameter kualitas air dari data penginderaan jauh adalah koreksi atmosfer yang
akurat. Kesalahan dalam proses koreksi atmosfer ini akan menjalar ke algoritma model yang digunakan untuk
menghitung parameter kualitas air. Adanya produk reflektan-permukaan (yang terkoreksi atmosfer) yang
dikeluarkan USGS, bisa menjadi alternatif ketika tidak semua orang bisa melakukan koreksi atmosfer pada data
citra Level 1. Namun, dari hasil validasi yang telah dilakukan dalam penelitian ini, akurasi produk tersebut yang
sebesar 59,7% masih belum cukup memadai untuk bisa digunakan secara langsung.
DAFTAR PUSTAKA
Ayres W. 1996. Integrated Lake and Reservoir Management: World Bank Approach and Experience.
Washington DC.
Giardino, Claudia, Monica P, Brivio PA, Ghezzi P, Zilioli E. 2001. Detecting chlorophyll, secchi disk depth and
surface temperature in a sub-alpine lake using Landsat imagery. The Science of the Total Environment,
Vol. 268, No. 1-3, 19-29.
Gordon HR, M and Wang. 1994. Retrieval of water-leaving radiance and aerosol optical thickness over the
oceans with SeaWiFS: a preliminary algorithm. Applied Optics, Vol. 33, No. 3, 443–452.
Han, Luoheng, Karen JJ. 2005. Estimating and mapping chlorophyll- a concentration in Pensacola Bay, Florida
using Landsat ETM+ data. International Journal of Remote Sensing, Vol. 26, No. 33, 5245–5254.
Jaelani LM, Matsushita B, Yang W, Fukushima T. 2013. Evaluation of four MERIS atmospheric correction
algorithms in Lake Kasumigaura, Japan. International Journal of Remote Sensing, Vol. 34, No. 24, 8967–
8985.
Liu Y, Islam MA, Gao J. 2003. Quantification of shallow water quality parameters by means of remote sensing.
Progress in Physical Geography, Vol. 27, No. 1, 24–43.
Matsushita B, Yang W, Chen J, and Fukushima T. 2009. Possibility of improving three-band model for different
phytoplankton species in case ii water : evidences from three experiments. Journal of The Remote
Sensing Society of Japan, Vol. 29, No. 5, 653–664.
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Mobley CD. 1999. Estimation of the remote-sensing reflectance from above-surface measurements. Applied
Optics, Vol. 38, No. 36, 7442–7455.
Ruddick KG, Ovidio F, Rijkeboer M. 2000. Atmospheric correction of SeaWiFS imagery for turbid coastal and
inland waters. Applied Optics, Vol. 39, No. 6, 897–912.
Sathyendranath S, Prieur L, A and Morel. 1987. An evaluation of the problems of chlorophyll retrieval from
ocean colour, for case 2 waters. Adv. Space Res. Vol. 7, No. 2, 27–30.
Vermote EF, Tanre D, Deuze JL, Herman M, Morcette JJ. 1997. Second simulation of the satellite signal in the
solar spectrum, 6S: an overview. IEEE Transactions on Geoscience and Remote Sensing, Vol. 35, No. 3,
675–686.
Yang W, Matsushita B, Chen J, Fukushima T. 2011. Estimating constituent concentrations in case II waters from
MERIS satellite data by semi-analytical model optimizing and look-up tables. Remote Sensing of
Environment, Vol. 115, No. 5, 1247–1259.
Zhu J, Chen J, Matsushita B, W and Yang. 2012. Atmospheric correction of ENVISAT / MERIS data over case
II waters : the use of black pixel assumption in oxygen and water vapour absorption bands. International
Journal of Remote Sensing, Vol. 33-12, 3713–3732.